2、PHM体系架构：分层架构与系统集成
PHM（Prognostics and Health Management，故障预测与健康管理）系统的工程落地，首先取决于其体系架构是否清晰、稳健且可扩展。一个成熟的PHM系统并非单一算法或单一软件，而是从物理传感器到决策终端的完整数据-信息-知识-决策链条。本章围绕PHM系统的分层架构展开，重点剖析数据采集层、数据处理层、健康评估层、预测层与决策层的职责边界、层间接口以及系统集成方式，帮助学员建立从底层信号到顶层决策的全局视图。
2.1 数据采集层：物理世界的数字化入口
核心原理：数据采集层是PHM系统的最底层，负责将物理设备的运行状态转换为可计算、可传输的数字信号。该层直接决定了后续所有分析的数据质量与信息完整性。采集对象包括旋转机械（轴承、齿轮）、电机、液压系统、结构件等，采集信号类型涵盖振动、温度、电流、电压、压力、流量、转速、位移等。采集方式分为在线连续采集与离线巡检采集两类，前者通过固定安装的传感器实时获取数据，后者依靠手持设备或便携式分析仪定期获取。
判断方法与操作流程：在工程实践中，数据采集层的设计需遵循以下流程：
- 测点选择：根据设备的关键程度、故障模式及历史失效数据，确定需要监测的物理位置。例如，滚动轴承的测点通常选在轴承座垂直、水平、轴向三个方向。
- 传感器选型：根据信号频率范围、幅值大小、环境温度、安装空间等约束，选择加速度计（IEPE型）、速度传感器、位移传感器（电涡流）、温度传感器（PT100/热电偶）等。
- 采样率设定：依据奈奎斯特采样定理，采样率至少为最高分析频率的2.56倍。对于齿轮箱振动分析，采样率通常设为20kHz~50kHz；对于慢速重载设备，可适当降低。
- 数据传输：通过有线（工业以太网、光纤）或无线（Wi-Fi、LoRa、5G）方式将数据汇聚至边缘网关或工业现场总线。
| 信号类型 | 典型传感器 | 采样率范围 | 主要分析用途 |
|---|---|---|---|
| 振动加速度 | IEPE压电式 | 10kHz~50kHz | 轴承故障、齿轮啮合、不平衡 |
| 振动速度 | 磁电式 | 1kHz~10kHz | 转子动平衡、轴对中 |
| 温度 | PT100/热电偶 | 0.1Hz~1Hz | 过热、润滑不良、冷却失效 |
| 电流 | 霍尔传感器/CT | 1kHz~5kHz | 电机负载波动、转子断条 |
2.2 数据处理层：从原始信号到可用特征
核心原理：数据处理层承担“数据治理”与“特征工程”双重职责。原始采集信号往往包含噪声、趋势项、异常尖峰、缺失值等问题，且多源数据的时间戳可能不同步。该层通过信号预处理与特征提取，将高维原始数据压缩为低维、敏感、稳定的特征向量，为健康评估提供输入。
操作流程：
- 数据清洗：去除由于传感器脱落、电磁干扰、AD转换溢出产生的异常值；对缺失段采用线性插值或样条插值处理。
- 滤波与去噪：根据信号特点选择低通、高通、带通滤波器或小波去噪。例如，齿轮箱振动信号常用带通滤波（1kHz~10kHz）去除低频干扰。
- 特征提取：时域特征（均方根值、峰值因子、峭度、波形因子）、频域特征（频谱峰值、边频带能量、谐波能量比）、时频域特征（小波包能量谱、经验模态分解IMF能量）。
- 数据对齐与标准化：将不同采样率的信号按时间戳对齐，并统一量纲，采用Z-score或Min-Max归一化。
2.3 健康评估层：量化设备当前状态
核心原理：健康评估层解决“设备现在是否健康”的问题。它基于数据处理层输出的特征向量，建立健康基线（Baseline），并计算当前状态与基线之间的偏离程度，输出健康指数（Health Index, HI）或健康等级（健康、亚健康、异常、故障）。常用的方法包括：
- 阈值法：针对单一特征设定报警阈值（如振动速度ISO 10816标准）。
- 距离度量法：计算当前特征向量与正常工况聚类中心的马氏距离或欧氏距离。
- 机器学习分类法：使用支持向量机（SVM）、随机森林等模型对状态进行分类。
- 自联想神经网络（AANN）：利用重构误差作为健康指标。
判断方法：健康评估层需要设定“三级报警”逻辑：预警（HI>0.7）、报警（HI>0.85）、停机（HI>0.95）。同时需考虑工况变化的影响，例如风机在不同转速下振动能量差异显著，需采用工况归一化或功率分箱策略。
| 健康等级 | 健康指数范围 | 建议措施 | 典型表现 |
|---|---|---|---|
| 健康 | 0~0.6 | 正常巡检 | 特征值在基线±10%内波动 |
| 亚健康 | 0.6~0.8 | 缩短巡检周期 | 特征值缓慢上升，存在轻微磨损 |
| 异常 | 0.8~0.95 | 安排计划维修 | 特征值明显偏离，出现周期性冲击 |
| 故障 | 0.95~1.0 | 立即停机检修 | 特征值超限，伴随异响或高温 |
2.4 预测层：从当前状态推演未来趋势
核心原理：预测层是PHM区别于传统状态监测的核心能力，其目标是回答“设备还能运行多久”或“何时会发生故障”。主要输出为剩余使用寿命（RUL）预测、故障发生概率曲线以及退化趋势外推。预测方法分为三类：
- 基于物理模型：建立疲劳裂纹扩展、磨损退化等物理方程，结合有限元分析进行寿命预测。精度高但建模成本大，适用于关键部件。
- 基于数据驱动：利用历史退化数据训练回归模型（LSTM、Transformer、高斯过程回归）或相似性匹配模型。适合数据充足场景。
- 混合方法：物理模型提供先验约束，数据驱动模型修正残差，兼顾精度与泛化能力。
操作流程：预测层的工作流程包括：① 定义退化起始点（T0）；② 选择预测特征（如振动RMS的单调递增趋势）；③ 训练预测模型并验证精度（常用指标：RMSE、MAPE）；④ 输出RUL点估计与置信区间（如90%置信区间）。
2.5 决策层：将预测转化为行动
核心原理：决策层是PHM系统的价值出口，它将预测层的RUL结果、健康评估层的状态等级以及维修资源约束（备件库存、人员排班、生产计划）相结合，生成最优维修策略。决策类型包括：
- 基于时间的预防性维修：固定周期更换，适用于低成本、易更换部件。
- 基于状态的视情维修：当HI超过阈值或RUL低于安全裕度时触发维修。
- 预测性维修：根据RUL预测曲线，在最佳经济窗口安排维修，兼顾故障风险与生产损失。
- 任务重规划：对于多设备系统，通过优化算法调整生产任务分配，降低关键设备负载。
系统集成方式：决策层需要与外部系统深度集成：
- 与CMMS/EAM集成：自动生成维修工单、备件领料单，更新设备台账。
- 与MES/ERP集成：获取生产计划，评估维修窗口对产能的影响。
- 与SCADA集成：下发控制指令（如降速运行、切换备用机组）。
| 集成对象 | 通信协议 | 数据流向 | 典型业务场景 |
|---|---|---|---|
| CMMS | RESTful API / SOAP | PHM→CMMS（工单） | 自动创建预防性维修任务 |
| MES | OPC UA / 数据库中间表 | MES→PHM（生产计划） | 调整设备运行负荷 |
| ERP | RFC / BAPI | PHM→ERP（备件需求） | 触发采购申请 |
| SCADA | Modbus / OPC DA | 双向 | 远程降速、联锁保护 |
2.6 系统集成方式与架构设计要点
核心原理：PHM系统的五层架构在物理部署上可以灵活选择集中式、分布式或云边协同模式。集中式架构适用于单站点、数据量小的场景；分布式架构适用于多站点、数据量大且需要本地实时响应的场景；云边协同则兼顾边缘计算的低延迟与云端训练的强算力。
集成方式对比：
| 集成模式 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 紧耦合（嵌入式） | 延迟低、实时性好 | 升级困难、扩展性差 | 单机保护、安全联锁 |
| 松耦合（中间件） | 模块独立、易扩展 | 需要消息中间件运维 | 工厂级PHM平台 |
| 云边协同 | 弹性伸缩、全局优化 | 网络依赖性强 | 集团级多站点设备管理 |
架构设计要点：
- 接口标准化：层间接口尽量采用RESTful API或消息队列（Kafka/RabbitMQ），避免点对点直连。
- 数据可追溯：每个特征值、健康指数、预测结果都应能回溯到原始信号片段，便于故障复盘。
- 模型可更新：预测模型和健康评估模型应支持在线更新或定期重训练，避免模型老化。
- 容错与降级：当上层服务不可用时，边缘节点应能独立运行数据采集和基础报警功能。